El propòsit d’aquesta Tesi Doctoral és proposar una alternativa viable a l’aproximació de models i processos en l’àmbit científic i, més concretament, en aplicacions complexes de bioenginyeria, en les quals és impossible o molt costós trobar una relació directa entre els senyals d’entrada i d’eixida mitjançant models matemàtics senzills o aproximacions estadístiques.

De la mateixa manera, és interessant aconseguir una compactació de les dades que necessita un model per aconseguir una predicció o classificació en un temps i amb un cost d’implementació mínims. Un model pot ser simplificat en gran mesura en reduir el nombre d’entrades o realitzar operacions matemàtiques sobre aquestes per transformar-les
en noves variables.

En molts problemes de regressió (aproximació de funcions), classificació i optimització, en general es fa ús de les noves metodologies basades en la intel·ligència artificial. L’intel·ligència artificial és una branca de les ciències de la computació que busca automatitzar la capacitat d’un sistema per respondre als estímuls que rep i proposar eixides adequades i racionals. Això es produeix gràcies a un procés d’aprenentatge, mitjançant el qual es presenten certes mostres o “exemples”al model i les seues corresponents eixides i aquest aprèn a proposar les eixides corresponents a nous estímuls que no ha vist prèviament. Això s’anomena aprenentatge supervisat. També es pot donar el cas que aquest model associe les entrades amb característiques similars entre si per obtenir una classificació de les mostres d’entrada sense necessitat d’un patró d’eixida. Aquest model d’aprenentatge es denomina no supervisat.

El principal exponent de l’aplicació de l’intel·ligència artificial per aproximació de funcions i classificació són les xarxes neuronals artificials. Es tracta de models que han demostrat àmpliament els seus avantatges en l’àmbit del modelat estadístic i de la predicció enfront d’altres mètodes clàssics.

No s’ha volgut deixar de banda l’importància del preprocessat de variables per optimitzar la resposta d’un sistema de predicció basat en xarxes neuronals. Tan important és l’adequació de les variables d’entrada com el correcte disseny del sistema predictiu. Per això, s’ha dedicat especial atenció a l’anàlisi de la selecció de variables d’entrada d’un
sistema i la seua transformació (escalat, projecció, etc.) per optimitzar la seua resposta. En concret, s’ha fet ús d’un criteri que s’utilitza cada vegada més per decidir quines variables són veritablement importants per una predicció. Aquest criteri s’anomena Test Delta, i és un estimador no paramètric que es basa en l’aproximació de la variància del soroll a l’eixida d’una funció. La combinació de variables d’entrada que supose la minimització d’aquest criteri aconseguirà un òptim comportament predictiu de la xarxa neuronal d’estudi. Aquest mètode s’avaluarà sobre conjunts de dades reals per comprovar la seua utilitat pràctica.

En el present treball es durà a terme l’aplicació de les xarxes neuronals i el preprocessat de dades per tractar d’aproximar una sèrie de problemes complexes en bioenginyeria, tots ells mitjançant aprenentatge supervisat. Per exemple, es tractaran d’aplicar les xarxes neuronals a la predicció de la presència de toxines (micotoxines) associades als fongs que poden créixer en determinats aliments a causa de diferents factors ambientals relacionats
amb el canvi climàtic i que són considerades cancerígenes. Això s’ha realitzat mitjançant cultius de fongs productors de certes micotoxines (en concret deoxinivalenol i ocratoxina A) en laboratori al llarg d’un cert nombre de dies i baix estrictes condicions ambientals. Diversos factors o entrades es tractaran d’utilitzar per a la predicció de la quantitat de micotoxina, com ara el temps d’emmagatzematge, la temperatura d’incubació, l’activitat aquosa, el diàmetre de l’inòcul o la presència de fungicides.

Una altra aplicació de les xarxes neuronals que es va a presentar en esta Tesi està relacionada amb la reconstrucció d’imatges mèdiques en un detector de tomografia per emissió de positrons, corregint errors intrínsecs a la naturalesa de l’òptica i dels fenòmens físics que experimenten els fotons en el seu camí cap al detector. Les xarxes neuronals dissenyades i entrenades per a tal propòsit poden ser fàcilment implementades en hardware, alliberant a un ordinador d’una gran càrrega computacional i permetent realitzar la correcció automàtica i en temps real (on-line) de la posició d’impacte dels fotons en un sistema PET real.